00:00 Introducción
02:52 Antecedentes y descargo de responsabilidad
07:39 Racionalismo ingenuo
13:14 La historia hasta ahora
16:37 ¡Necesitamos científicos!
18:25 Humano + Máquina (el problema 1/4)
23:16 La configuración (el problema 2/4)
26:44 El mantenimiento (el problema 3/4)
30:02 El atraso de TI (el problema 4/4)
32:56 La misión (el trabajo del científico 1/6)
35:58 Terminología (el trabajo del científico 2/6)
37:54 Entregables (el trabajo del científico 3/6)
41:11 El alcance (el trabajo del científico 4/6)
44:59 Rutina diaria (el trabajo del científico 5/6)
46:58 Propiedad (el trabajo del científico 6/6)
49:25 Un puesto en la cadena de suministro (RRHH 1/6)
51:13 Contratar a un científico (RRHH 2/6)
53:58 Capacitar al científico (RRHH 3/6)
55:43 Revisar al científico (RRHH 4/6)
57:24 Retener al científico (RRHH 5/6)
59:37 De un científico a otro (RRHH 6/6)
01:01:17 Sobre TI (dinámica corporativa 1/3)
01:03:50 Sobre Finanzas (dinámica corporativa 2/3)
01:05:42 Sobre Liderazgo (dinámica corporativa 3/3)
01:09:18 Planificación tradicional (modernización 1/5)
01:11:56 Fin de S&OP (modernización 2/5)
01:13:31 BI tradicional (modernización 3/5)
01:15:24 Salida de la Ciencia de Datos (modernización 4/5)
01:17:28 Un nuevo trato para TI (modernización 5/5)
01:19:28 Conclusión
01:22:05 7.3 El Científico de la Cadena de Suministro - ¿Preguntas?
Descripción
En el núcleo de una iniciativa de Supply Chain Quantitativa, se encuentra el Supply Chain Scientist (SCS) que ejecuta la preparación de datos, el modelado económico y el informe de KPI. La automatización inteligente de las decisiones de la cadena de suministro es el producto final del trabajo realizado por el SCS. El SCS se apropia de las decisiones generadas. El SCS ofrece inteligencia humana amplificada a través del poder de procesamiento de las máquinas.
Transcripción completa
Bienvenidos a esta serie de conferencias sobre cadena de suministro. Soy Joannes Vermorel y hoy presentaré al científico de la cadena de suministro desde la perspectiva de la cadena de suministro cuantificada. El científico de la cadena de suministro es la persona o posiblemente el pequeño grupo de personas encargadas de liderar la iniciativa de la cadena de suministro. Esta persona supervisa la creación y posterior mantenimiento de las recetas numéricas que generan las decisiones de interés. Esta persona también es responsable de proporcionar todas las pruebas necesarias al resto de la empresa, demostrando que las decisiones generadas son sólidas.
El lema de la cadena de suministro cuantificada es aprovechar al máximo lo que el hardware y el software modernos tienen para ofrecer a las cadenas de suministro. Sin embargo, el sabor encarnado de esta perspectiva es ingenuo. La inteligencia humana sigue siendo un pilar fundamental de todo el proyecto y, debido a una variedad de razones, aún no se puede empaquetar de manera adecuada en lo que respecta a una cadena de suministro. El objetivo de esta conferencia es comprender por qué y cómo el papel del científico de la cadena de suministro se ha convertido, durante la última década, en una solución probada para aprovechar al máximo el software moderno para fines de cadena de suministro.
Lograr este objetivo comienza con la comprensión de los grandes cuellos de botella a los que el software moderno todavía se enfrenta al intentar automatizar las decisiones de la cadena de suministro. Basándonos en esta nueva comprensión, presentaremos el papel del científico de la cadena de suministro, que es, en todos los sentidos, una respuesta a esos cuellos de botella. Finalmente, veremos cómo este papel remodela, de formas pequeñas y grandes, a la empresa en su conjunto. De hecho, el científico de la cadena de suministro no puede operar como un silo dentro de la empresa. Al igual que el científico debe cooperar con el resto de la empresa para lograr algo, el resto de la empresa también debe cooperar con el científico para que esto suceda.
Antes de continuar, me gustaría reiterar una advertencia que hice en la primera conferencia de esta serie. La presente conferencia se basa casi en su totalidad en un experimento único de una década realizado en Lokad, un proveedor de software empresarial especializado en optimización de la cadena de suministro. Todas estas conferencias han sido moldeadas por el viaje de Lokad, pero cuando se trata del papel del científico de la cadena de suministro, el vínculo es aún más fuerte. En gran medida, el viaje de Lokad mismo se puede leer a través de la lente de nuestro descubrimiento gradual del papel del científico de la cadena de suministro.
Este proceso aún está en curso. Por ejemplo, hace apenas cinco años abandonamos la perspectiva del científico de datos convencional con la introducción de paradigmas de programación para fines de aprendizaje y optimización. En la actualidad, Lokad emplea a tres docenas de científicos de la cadena de suministro. Nuestros científicos más capaces, a través de sus historiales, han ganado la confianza para tomar decisiones a gran escala. Algunos de ellos son responsables individualmente de parámetros que superan los quinientos millones de dólares en inventario. Esta confianza se extiende a una amplia variedad de decisiones, como órdenes de compra, órdenes de producción, órdenes de asignación de inventario o fijación de precios.
Como podrán suponer, esta confianza tuvo que ser ganada. De hecho, muy pocas empresas confiarían incluso en sus propios empleados con tales poderes, y mucho menos en un proveedor externo como Lokad. Ganar este grado de confianza es un proceso que normalmente lleva años, independientemente de los medios tecnológicos. Sin embargo, una década después, Lokad está creciendo más rápido de lo que nunca lo hizo en sus primeros años, y una parte considerable de este crecimiento proviene de nuestros clientes existentes que están ampliando el alcance de las decisiones confiadas a Lokad.
Esto me lleva de vuelta a mi punto inicial: esta conferencia casi con seguridad viene con todo tipo de sesgos. He tratado de ampliar esta perspectiva a través de experiencias similares fuera de Lokad; sin embargo, no hay mucho que contar al respecto. Hasta donde yo sé, hay algunas empresas gigantes de tecnología, más específicamente algunas empresas gigantes de comercio electrónico, que logran un grado de automatización de decisiones comparable al que Lokad logra.
Sin embargo, estos gigantes suelen asignar dos órdenes de magnitud más recursos de los que las empresas grandes regulares pueden permitirse, con cientos de ingenieros. La viabilidad de estos enfoques sigue siendo incierta para mí, ya que solo pueden funcionar en empresas excepcionalmente rentables. De lo contrario, los costos de nómina asombrosos bien podrían superar los beneficios que aporta una mejor ejecución de la cadena de suministro.
Además, atraer talento en ingeniería a esa escala se convierte en un desafío en sí mismo. Contratar a un ingeniero de software talentoso ya es lo suficientemente difícil; contratar a 100 de ellos requiere una marca empleadora bastante notable. Afortunadamente, la perspectiva presentada hoy es mucho más ágil. Muchas iniciativas de la cadena de suministro llevadas a cabo por Lokad se realizan con un solo científico de la cadena de suministro, con un segundo actuando como sustituto. Más allá de los ahorros en nómina, nuestra experiencia indica que hay beneficios sustanciales para la cadena de suministro asociados con un menor número de empleados.
La perspectiva predominante de la cadena de suministro adopta la postura de las matemáticas aplicadas. Los métodos y algoritmos se presentan de una manera que elimina por completo al operador humano de la imagen. Por ejemplo, la fórmula de existencias de seguridad y la fórmula de cantidad económica de pedido se presentan como una cuestión pura de matemáticas aplicadas. La identidad de la persona que utiliza estas fórmulas, sus habilidades o su formación, por ejemplo, no solo es inconsecuente, sino que ni siquiera forma parte de la presentación.
En general, esta postura se adopta en gran medida en los libros de texto de la cadena de suministro y, en consecuencia, en el software de la cadena de suministro. Ciertamente, parece más objetivo eliminar el componente humano de la imagen. Después de todo, la validez de un teorema no depende de la persona que enuncia la prueba, y de la misma manera, el rendimiento de un algoritmo no depende de la persona que termina presionando la última tecla de su implementación. Este enfoque tiene como objetivo lograr una forma superior de racionalidad.
Sin embargo, sostengo que esta postura es ingenua y representa otro ejemplo de racionalismo ingenuo. Mi proposición es sutil pero importante: no estoy argumentando que el resultado de una receta numérica dependa de la persona que finalmente ejecuta la receta, ni que el carácter de un matemático tenga algo que ver con la validez de sus teoremas. En cambio, mi proposición es que la postura intelectual asociada con esta perspectiva es inapropiada para abordar las cadenas de suministro.
Una receta de cadena de suministro del mundo real es una pieza compleja de artesanía, y el autor de la receta no es tan neutral o irrelevante como puede parecer. Ilustremos este punto considerando dos recetas numéricas idénticas que solo difieren en el nombre de sus variables. A nivel numérico, las dos recetas entregan salidas idénticas. Sin embargo, la primera receta tiene nombres de variables bien elegidos y significativos, mientras que la segunda receta tiene nombres crípticos e inconsistentes. En producción, la segunda receta (la que tiene nombres de variables crípticos e inconsistentes) es un desastre esperando a suceder. Cada evolución o corrección de errores aplicada a la segunda receta costará órdenes de magnitud más esfuerzo en comparación con la misma tarea realizada en la primera receta. De hecho, los problemas de nombramiento de variables son tan frecuentes y graves que muchos libros de ingeniería de software dedican un capítulo entero a esta única cuestión.
Ni las matemáticas, ni la algoritmia, ni la estadística dicen nada sobre la adecuación de los nombres de las variables. La adecuación de esos nombres obviamente radica en el ojo del espectador. Aunque tenemos dos recetas numéricamente idénticas, una se considera muy superior a la otra por razones aparentemente subjetivas. La proposición que defiendo aquí es que también se puede encontrar racionalidad en esas preocupaciones subjetivas. Estas preocupaciones no deben ser descartadas de inmediato por depender de un sujeto o persona. Por el contrario, la experiencia de Lokad indica que, dadas las mismas herramientas de software, instrumentos matemáticos y biblioteca de algoritmos, ciertos científicos de la cadena de suministro logran resultados superiores. De hecho, la identidad del científico a cargo es uno de los mejores predictores que tenemos para el éxito de la iniciativa.
Suponiendo que el talento innato no puede explicar completamente las discrepancias en el éxito de la cadena de suministro, debemos abrazar los elementos que contribuyen a las iniciativas exitosas, ya sean objetivos o subjetivos. Es por eso que, en Lokad, hemos dedicado mucho esfuerzo durante las últimas décadas en perfeccionar nuestro enfoque sobre el papel del científico de la cadena de suministro, que es precisamente el tema de esta conferencia. No debemos subestimar las sutilezas asociadas con la posición de un científico de la cadena de suministro. La magnitud de las mejoras aportadas por estos elementos subjetivos es comparable a nuestros logros tecnológicos más destacados.
Esta serie de conferencias está destinada como material de capacitación para los científicos de la cadena de suministro de Lokad. Sin embargo, también espero que estas conferencias puedan ser de interés para una audiencia más amplia de profesionales o incluso estudiantes de la cadena de suministro. Es mejor ver estas conferencias en secuencia para comprender a fondo con qué están lidiando los científicos de la cadena de suministro.
En el primer capítulo, hemos visto por qué las cadenas de suministro deben volverse programáticas y por qué es muy deseable poder poner una receta numérica en producción. La creciente complejidad de las cadenas de suministro hace que la automatización sea más urgente que nunca. Además, existe un imperativo financiero para hacer que las prácticas de la cadena de suministro sean capitalistas.
El segundo capítulo está dedicado a las metodologías. Las cadenas de suministro son sistemas competitivos, y esta combinación derrota a las metodologías ingenuas. El papel de los científicos puede verse como un antídoto para la metodología ingenua de las matemáticas aplicadas.
El tercer capítulo analiza los problemas a los que se enfrenta el personal de la cadena de suministro. Este capítulo intenta caracterizar las clases de desafíos de toma de decisiones que deben abordarse. Muestra que las perspectivas simplistas como elegir la cantidad correcta de stock para cada SKU no se ajustan a situaciones del mundo real; invariablemente hay profundidad en forma de toma de decisiones.
El cuarto capítulo analiza los elementos necesarios para comprender una práctica moderna de la cadena de suministro, donde los elementos de software son omnipresentes. Estos elementos son fundamentales para comprender el contexto más amplio en el que opera la cadena de suministro digital.
Los capítulos 5 y 6 están dedicados a la modelización predictiva y la toma de decisiones, respectivamente. Estos capítulos cubren los aspectos “inteligentes” de la receta numérica, con aprendizaje automático y optimización matemática. En particular, estos capítulos recopilan técnicas que se ha demostrado que funcionan bien en manos de científicos de la cadena de suministro.
Por último, el séptimo y presente capítulo está dedicado a la ejecución de una iniciativa de cadena de suministro cuantitativa. Hemos visto lo que se necesita para iniciar una iniciativa mientras establecemos las bases adecuadas. Hemos visto cómo cruzar la línea de meta y poner la receta numérica en producción.
Hoy veremos qué tipo de persona se necesita para que todo esto suceda.
El papel del científico tiene como objetivo resolver problemas encontrados en la literatura académica. Revisaremos el trabajo del científico de la cadena de suministro, incluyendo su misión, alcance, rutina diaria y temas de interés. Esta descripción del trabajo refleja la práctica actual en Lokad.
La creación de un nuevo puesto dentro de la empresa genera una serie de preocupaciones, por lo que es necesario contratar, capacitar, revisar y retener a los científicos. Abordaremos estas preocupaciones desde una perspectiva de recursos humanos. Se espera que el científico coopere con otros departamentos dentro de la empresa más allá de su departamento de cadena de suministro. Veremos qué tipo de interacciones se esperan entre los científicos y TI, finanzas e incluso el liderazgo de la empresa.
El científico también representa una oportunidad para que la empresa modernice su personal y operaciones. Esta modernización es la parte más difícil del viaje, ya que es mucho más desafiante eliminar un puesto que ha dejado de ser relevante que introducir uno nuevo.
El desafío que nos hemos propuesto en esta serie de conferencias es la mejora sistemática de las cadenas de suministro a través de métodos cuantitativos. La idea general de este enfoque es aprovechar al máximo lo que la informática y el software modernos tienen para ofrecer a las cadenas de suministro. Sin embargo, debemos aclarar qué sigue perteneciendo al ámbito de la inteligencia humana y qué se puede automatizar con éxito.
La línea de demarcación entre la inteligencia humana y la automatización todavía depende en gran medida de la tecnología. Se espera que la tecnología superior mecanice un espectro más amplio de decisiones y brinde mejores resultados. Desde una perspectiva de cadena de suministro, esto significa tomar decisiones más diversas, como decisiones de precios además de decisiones de reabastecimiento de inventario, y producir decisiones mejores que mejoren aún más la rentabilidad de la empresa.
El papel del científico es la personificación de esta frontera entre la inteligencia humana y la automatización. Si bien los anuncios rutinarios sobre inteligencia artificial pueden dar la impresión de que la inteligencia humana está a punto de ser automatizada, mi comprensión del estado del arte indica que la inteligencia artificial general sigue estando lejos. De hecho, los conocimientos humanos todavía son muy necesarios cuando se trata del diseño de métodos cuantitativos de relevancia para la cadena de suministro. Establecer incluso una estrategia básica de cadena de suministro sigue estando en gran medida más allá de lo que el software puede ofrecer.
En general, aún no tenemos tecnologías capaces de abordar problemas mal planteados o problemas no identificados, que son comunes en la cadena de suministro. Sin embargo, una vez que se ha aislado un problema estrecho y bien especificado, es concebible tener un proceso automatizado que aprenda su resolución e incluso automatice esta resolución con poco o ningún control humano.
Esta perspectiva no es nueva. Por ejemplo, los filtros de correo no deseado se han adoptado ampliamente. Esos filtros realizan una tarea desafiante: clasificar lo relevante de lo irrelevante. Sin embargo, el diseño de la próxima generación de filtros sigue siendo en gran medida responsabilidad de los humanos, incluso si se pueden utilizar datos más nuevos para actualizar esos filtros. De hecho, los spammers que desean eludir los filtros de correo no deseado siguen inventando nuevos métodos que derrotan las actualizaciones basadas únicamente en datos de esos filtros.
Por lo tanto, si bien los conocimientos humanos aún son necesarios para diseñar la automatización, no está claro por qué un proveedor de software como Lokad, por ejemplo, no podría diseñar un gran motor de cadena de suministro que aborde todos estos desafíos. Ciertamente, la economía del software favorece en gran medida el diseño de un gran motor de cadena de suministro de este tipo. Incluso si la inversión inicial es alta, ya que el software se puede replicar a un costo insignificante, el proveedor obtendrá una fortuna en tarifas de licencia al revender este gran motor a un gran número de empresas.
Lokad, en 2008, se embarcó en un viaje de creación de un gran motor que podría haberse implementado como un producto de software empaquetado. Más precisamente, en ese momento Lokad se centraba en un gran motor de pronóstico en lugar de un gran motor de cadena de suministro. Sin embargo, a pesar de estas ambiciones comparativamente más modestas, ya que el pronóstico es solo una pequeña parte del desafío global de la cadena de suministro, Lokad no logró crear un gran motor de pronóstico. La perspectiva cuantitativa de la cadena de suministro presentada en esta serie de conferencias surgió de las cenizas de esta ambición de un gran motor.
En cuanto a la cadena de suministro, resultó que hay tres grandes cuellos de botella que deben abordarse. Veremos por qué este gran motor estaba condenado desde el primer día y por qué es muy probable que todavía estemos décadas lejos de lograr tal hazaña de ingeniería.
El paisaje aplicativo de la cadena de suministro típica es una jungla que ha crecido de manera caótica en las últimas dos o tres décadas. Este paisaje no es un jardín formal francés con líneas geométricas ordenadas y arbustos bien recortados; es una jungla, vibrante pero también llena de espinas y fauna hostil. Más seriamente, las cadenas de suministro son el producto de su historia digital. Puede haber múltiples ERPs ERPs semi-redundantes, personalizaciones caseras medio finalizadas, integraciones por lotes, especialmente con sistemas provenientes de empresas adquiridas, y plataformas de software superpuestas que compiten por las mismas áreas funcionales.
La idea de que se pueda simplemente enchufar un gran motor es una ilusión, considerando el estado actual de las tecnologías de software. Reunir todos los sistemas que operan la cadena de suministro es una tarea considerable que depende por completo de los esfuerzos de ingeniería humana.
El análisis de los gastos colectivos indica que la manipulación de datos representa al menos tres cuartas partes del esfuerzo técnico general asociado con una iniciativa de cadena de suministro. En contraste, la creación de los aspectos inteligentes de la receta numérica, como el pronóstico y la optimización, representa no más que unos pocos porcentajes del esfuerzo general. Por lo tanto, la disponibilidad de un motor empaquetado y grandioso es en gran medida inconsecuente en términos de costo o retrasos. Se requeriría una inteligencia a nivel humano incorporada para que este motor se integre automáticamente en el paisaje de TI a menudo caótico que se encuentra comúnmente en las cadenas de suministro.
Además, cualquier gran motor hace que esta tarea sea aún más desafiante debido a su existencia. En lugar de lidiar con un sistema complejo, el paisaje aplicativo, ahora tenemos dos sistemas complejos: el paisaje aplicativo y el gran motor. La complejidad de integrar estos dos sistemas no es la suma de sus respectivas complejidades, sino el producto de esas complejidades.
El impacto de esta complejidad en el costo de ingeniería es altamente no lineal, un punto que ya se ha mencionado en el primer capítulo de esta serie de conferencias. El primer gran cuello de botella para la optimización de la cadena de suministro es la configuración de la receta numérica, que requiere un esfuerzo de ingeniería dedicado. Este cuello de botella elimina en gran medida los beneficios que podrían asociarse concebiblemente con cualquier tipo de gran motor empaquetado de cadena de suministro.
Si bien la configuración requiere un esfuerzo de ingeniería sustancial, podría ser una inversión única, similar a pagar una entrada. Desafortunadamente, las cadenas de suministro son entidades vivas en constante evolución. El día en que una cadena de suministro deja de cambiar es el día en que la empresa se declara en quiebra. Los cambios son tanto internos como externos.
Internamente, el paisaje aplicativo está en constante cambio. Las empresas no pueden congelar su paisaje aplicativo incluso si quisieran, ya que muchas actualizaciones son obligatorias por parte de los proveedores de software empresarial. Ignorar estas obligaciones liberaría a los proveedores de sus obligaciones contractuales, lo cual no es un resultado aceptable. Más allá de las actualizaciones puramente técnicas, cualquier cadena de suministro de cierto tamaño está destinada a incorporar y eliminar piezas de software a medida que la propia empresa cambia.
Externamente, los mercados también están en constante cambio. Constantemente surgen nuevos competidores, canales de venta y posibles proveedores, mientras que algunos desaparecen. Las regulaciones cambian constantemente. Si bien los algoritmos pueden capturar automáticamente algunos de los cambios más simples, como el crecimiento de la demanda de una clase de productos, aún no tenemos algoritmos para enfrentar cambios en el mercado en su totalidad, en lugar de solo en magnitud. Los mismos problemas que la optimización de la cadena de suministro intenta abordar también están cambiando.
Si el software encargado de optimizar la cadena de suministro no puede lidiar con estos cambios, los empleados recurren a las hojas de cálculo. Las hojas de cálculo pueden ser rudimentarias, pero al menos los empleados pueden mantenerlas relevantes para la tarea en cuestión. Anecdóticamente, la gran mayoría de las cadenas de suministro todavía operan con hojas de cálculo a nivel de toma de decisiones, no a nivel transaccional. Esta es la prueba viviente de que el mantenimiento del software ha fallado.
Desde la década de 1980, los proveedores de software empresarial han estado entregando productos de software para automatizar las decisiones de la cadena de suministro. La mayoría de las empresas que operan grandes cadenas de suministro ya han implementado varias de estas soluciones en las últimas décadas. Sin embargo, los empleados inevitablemente vuelven a sus hojas de cálculo, lo que demuestra que incluso si la configuración se consideró originalmente un éxito, algo salió mal con el mantenimiento.
El mantenimiento es el segundo gran obstáculo de la optimización de la cadena de suministro. La receta requiere un mantenimiento activo, incluso si la ejecución puede dejarse en gran medida sin supervisión.
En este punto, hemos demostrado que la optimización de la cadena de suministro requiere no solo recursos iniciales de ingeniería de software, sino también recursos continuos de ingeniería de software. Como se señaló anteriormente en esta serie de conferencias, nada menos que capacidades programáticas pueden abordar de manera realista la diversidad de problemas a los que se enfrentan las cadenas de suministro del mundo real. Las hojas de cálculo cuentan como herramientas programables, y su expresividad, en contraposición a los botones y menús, es lo que las hace tan atractivas para los profesionales de la cadena de suministro.
Dado que los recursos de ingeniería de software deben asegurarse en la mayoría de las empresas, parece natural recurrir al departamento de TI. Desafortunadamente, la cadena de suministro no es el único departamento que piensa de esta manera. Cada departamento, incluidas las ventas, el marketing y las finanzas, termina dándose cuenta de que automatizar sus respectivos procesos de toma de decisiones requiere recursos de ingeniería de software. Además, también deben lidiar con la capa de transacciones y toda su infraestructura subyacente.
Como resultado, la mayoría de las empresas que operan grandes cadenas de suministro en la actualidad tienen sus departamentos de TI enterrados bajo años de trabajo acumulado. Por lo tanto, esperar que el departamento de TI destine más recursos continuos a la cadena de suministro solo empeora la acumulación de trabajo. La opción de asignar más recursos al departamento de TI ya se ha explorado y generalmente ya no es viable. Estas empresas ya están enfrentando graves desventajas económicas a escala cuando se trata del departamento de TI. El trabajo acumulado en TI representa el tercer gran obstáculo para la optimización de la cadena de suministro.
Se necesitan recursos de ingeniería continuos, pero la mayor parte de esos recursos no puede provenir de TI. Se puede vislumbrar cierto apoyo por parte de TI, pero debe ser un asunto discreto.
Estos tres grandes obstáculos definen por qué se necesita un rol específico: el científico de la cadena de suministro es el nombre que le estamos dando a esos recursos continuos de ingeniería de software necesarios para automatizar las decisiones mundanas de la cadena de suministro y los procesos de toma de decisiones exigentes.
Procedamos con una definición más precisa basada en la práctica de Lokad. La misión del científico de la cadena de suministro es crear recetas numéricas que generen las decisiones mundanas necesarias a diario para operar la cadena de suministro. El trabajo del científico comienza con las extracciones de la base de datos recopiladas de todo el panorama aplicativo. Se espera que el científico codifique la receta que procesa esas extracciones de la base de datos y lleve esas recetas a producción. El científico asume la responsabilidad total de la calidad de las decisiones generadas por la receta. Las decisiones no son generadas por algún tipo de sistema ambiental; son la expresión directa de las ideas del científico transmitidas a través de una receta.
Este aspecto único es una desviación crítica de lo que generalmente se entiende como el papel de un científico de datos. Sin embargo, la misión no se detiene ahí. Se espera que el científico de la cadena de suministro pueda presentar evidencia que respalde cada decisión generada por la receta. No es algún tipo de sistema opaco el responsable de las decisiones; es la persona, el científico. El científico debería poder reunirse con el líder de la cadena de suministro o incluso con el CEO y proporcionar una justificación convincente para cualquier decisión generada por la receta.
Si el científico no está en posición de potencialmente causar mucho daño a la empresa, entonces algo está mal. No estoy abogando por otorgar a nadie, y ciertamente no al científico, grandes poderes sin supervisión o responsabilidad. Simplemente estoy señalando lo obvio: si no tienes el poder de impactar negativamente a tu empresa, no importa cuán mal desempeñes, tampoco tienes el poder de impactar positivamente a tu empresa, no importa cuán bien desempeñes.
Desafortunadamente, las grandes empresas son aversas al riesgo por naturaleza. Por lo tanto, es muy tentador reemplazar al científico con un analista. A diferencia del científico a cargo de las propias decisiones, el analista solo es responsable de arrojar algo de luz aquí y allá. El analista es en su mayoría inofensivo y no puede hacer mucho más que desperdiciar su propio tiempo y algunos recursos informáticos. Sin embargo, ser inofensivo no es de lo que se trata el papel del científico de la cadena de suministro.
Discutamos el término “científico de la cadena de suministro” por un momento. Desafortunadamente, esta terminología es imperfecta. Originalmente acuñé esta expresión como una variación de “científico de datos” hace aproximadamente una década, con la idea de etiquetar este rol como una variación de científico de datos pero con una fuerte especialización en cadena de suministro. La idea de la especialización fue correcta, pero la idea de la ciencia de datos no lo fue. Volveré a abordar este punto al final de la conferencia.
“Ingeniero de cadena de suministro” podría haber sido una mejor terminología, ya que enfatiza el deseo de dominar y controlar el dominio, en contraposición a la mera comprensión. Sin embargo, no se espera que los ingenieros, tal como se entienden comúnmente, estén en la vanguardia de la acción. El término adecuado probablemente hubiera sido “supply chain quant”, como en profesionales cuantitativos de la cadena de suministro.
En finanzas, un “quant” o trader cuantitativo es un especialista que aprovecha algoritmos y métodos cuantitativos para tomar decisiones comerciales. Los quants pueden hacer que un banco sea muy rentable o, por el contrario, muy poco rentable. La inteligencia humana se magnifica a través de las máquinas, tanto lo bueno como lo malo.
En cualquier caso, será responsabilidad de la comunidad en general decidir la terminología adecuada: analista, científico, ingeniero, operativo o quant. Por una cuestión de consistencia, seguiré utilizando el término científico en el resto de esta conferencia.
El entregable principal para el científico es un software, más precisamente, la receta numérica responsable de generar las decisiones diarias de la cadena de suministro de interés. Esta receta es una colección de todos los scripts involucrados desde las etapas más tempranas de preparación de datos hasta las etapas finales de validación corporativa de las propias decisiones. Esta receta debe ser de calidad de producción, lo que significa que puede ejecutarse sin supervisión y que las decisiones que genera son confiables por defecto. Naturalmente, esta confianza debe ser ganada en primer lugar y una supervisión continua debe asegurar que este nivel de confianza siga siendo justificado con el tiempo.
Entregar una receta de calidad de producción es fundamental para convertir la práctica de la cadena de suministro en un activo productivo. Este enfoque ya se ha discutido en la conferencia anterior sobre la entrega orientada al producto.
Más allá de esta receta, hay numerosos entregables secundarios. Algunos de ellos también son software, incluso si no contribuyen directamente a la generación de las decisiones. Esto incluye, por ejemplo, toda la instrumentación que el científico necesita introducir para diseñar y luego mantener la receta en sí. Otros elementos están destinados a colegas dentro de la empresa, incluyendo toda la documentación de la iniciativa en sí y de la receta.
El código fuente de la receta responde al “cómo” - ¿cómo se hace? Sin embargo, el código fuente no responde al “por qué” - ¿por qué se hace? El “por qué” debe ser documentado. Con frecuencia, la corrección de la receta depende de una comprensión sutil de la intención. La documentación entregada debe facilitar tanto como sea posible la transición fluida de un científico a otro, incluso si el científico anterior no está disponible para apoyar el proceso.
En Lokad, nuestro procedimiento estándar consiste en producir y mantener un gran libro de la iniciativa, conocido como Manual de Procedimiento Conjunto (JPM). Este manual no solo es un manual de operación completo de la receta, sino también una colección de todas las ideas estratégicas que subyacen a las elecciones de modelado realizadas por los científicos.
A nivel técnico, el trabajo del científico comienza desde el punto de extracción de los datos en bruto y termina con la generación de las decisiones finales de la cadena de suministro. El científico debe operar a partir de datos en bruto extraídos de los sistemas comerciales existentes. Como cada sistema comercial tiene su propia pila tecnológica, la extracción en sí suele ser mejor dedicada a especialistas en tecnología de la información. No es razonable esperar que el científico se familiarice con media docena de dialectos SQL o media docena de tecnologías de API solo para acceder a los datos comerciales. Por otro lado, no se debe esperar nada de los especialistas en tecnología de la información excepto extracciones de datos en bruto, ni transformación de datos ni preparación de datos. Los datos extraídos accesibles para el científico deben ser lo más cercanos posible a los datos tal como se presentan dentro de los sistemas comerciales.
En el otro extremo del proceso, la receta diseñada por el científico debe generar las decisiones finales. Los elementos asociados con la implementación de las decisiones no están bajo la responsabilidad del científico. Son importantes, pero también son en gran medida independientes de la decisión en sí. Por ejemplo, al considerar órdenes de compra, establecer las cantidades finales está dentro del ámbito del científico, pero generar el archivo PDF, el documento de pedido esperado por el proveedor, no lo está. A pesar de estos límites, el alcance es bastante amplio. Como resultado, es tentador pero equivocado fragmentar el alcance en una serie de sub-alcances. En las empresas más grandes, esta tentación se vuelve muy fuerte y debe ser resistida. Fragmentar el alcance es la forma más segura de crear numerosos problemas.
Agua arriba, si alguien intenta ayudar a los científicos manipulando la entrada, este intento inevitablemente termina en problemas de “basura entra, basura sale”. Los sistemas empresariales son lo suficientemente complejos; transformar los datos de antemano no hace más que agregar una capa accidental adicional de complejidad. En el medio, si alguien intenta ayudar a los científicos ocupándose de una parte desafiante de la receta, como la previsión, entonces los científicos se enfrentan a una caja negra en medio de su propia receta. Esta caja negra socava los esfuerzos de transparencia de los científicos. Y aguas abajo, si alguien intenta ayudar al científico re-optimizando aún más las decisiones, este intento inevitablemente crea confusión, y las lógicas de optimización de dos capas incluso pueden trabajar en contra.
Esto no implica que el científico tenga que trabajar solo. Se puede formar un equipo de científicos, pero el alcance sigue siendo el mismo. Si se forma un equipo, debe haber una propiedad colectiva de la receta. Esto implica, por ejemplo, que si se identifica un defecto en la receta, cualquier miembro del equipo debería poder intervenir y solucionarlo.
La experiencia de Lokad indica que una mezcla saludable para un científico de la cadena de suministro implica pasar el 40% de su tiempo programando, el 30% dialogando con el resto de la empresa y el 30% escribiendo documentos, materiales de capacitación e intercambiando con otros profesionales de la cadena de suministro o científicos de la cadena de suministro.
Obviamente, se necesita programación para implementar la receta en sí. Sin embargo, una vez que la receta está en producción, la mayor parte de los esfuerzos de programación se dirigen no a la receta en sí, sino a su instrumentación. Para mejorar la receta, el científico necesita más información, y a su vez, esa información requiere una instrumentación dedicada que debe implementarse.
Dialogar con el resto de la empresa es fundamental. A diferencia de la Planificación de Ventas y Operaciones (S&OP), el propósito de estas discusiones no es orientar la previsión al alza o a la baja. Se trata de asegurarse de que las elecciones de modelado incorporadas en la receta sigan reflejando fielmente tanto la estrategia de la empresa como todas sus restricciones operativas.
Por último, nutrir el conocimiento institucional que la empresa tiene sobre la optimización de la cadena de suministro, ya sea a través de la capacitación directa de los propios científicos o de la producción de documentos destinados a los colegas, es fundamental. El rendimiento de la receta es, en gran medida, un reflejo de la competencia del científico. Tener acceso a colegas y buscar comentarios es, sin sorpresa, uno de los medios más eficientes para mejorar la competencia de los científicos.
La mayor diferencia entre un científico de la cadena de suministro, según lo concebido por Lokad, y un científico de datos convencional es el compromiso personal con los resultados del mundo real. Puede parecer una cosa pequeña e inconsecuente, pero la experiencia dice lo contrario. Hace una década, Lokad aprendió de la peor manera que el compromiso con la entrega de una receta de calidad de producción no era algo dado. Por el contrario, la actitud predeterminada de las personas capacitadas como científicos de datos parece ser tratar la producción como una preocupación secundaria. El científico de datos convencional espera manejar los aspectos inteligentes, como el aprendizaje automático y la optimización matemática, mientras que lidiar con todas las trivialidades aleatorias que vienen con la cadena de suministro del mundo real se percibe con demasiada frecuencia como algo inferior a ellos.
Sin embargo, el compromiso con una receta de calidad de producción implica lidiar con las cosas más aleatorias. Por ejemplo, en julio de 2021, muchos países europeos sufrieron inundaciones catastróficas. Un cliente de Lokad con sede en Alemania tuvo la mitad de sus almacenes inundados. El científico de la cadena de suministro a cargo de esta cuenta tuvo que reingeniar la receta casi de la noche a la mañana para aprovechar al máximo esta situación gravemente degradada. La solución no fue algún tipo de gran algoritmo de aprendizaje automático, sino más bien un conjunto de heurísticas decodificadas. Por el contrario, si el científico de la cadena de suministro no es el responsable de la decisión, entonces esta persona no podrá crear una receta de calidad de producción. Es una cuestión de psicología. Entregar una receta de calidad de producción requiere un inmenso esfuerzo intelectual, y las apuestas deben ser reales para lograr el nivel necesario de enfoque por parte de un empleado.
Habiendo aclarado el trabajo de un científico de la cadena de suministro, discutamos cómo funciona desde una perspectiva de recursos humanos. En primer lugar, entre las preocupaciones corporativas, el científico debe reportar al jefe de la cadena de suministro o al menos a alguien que califique como un líder senior de la cadena de suministro. No importa si el científico es interno o externo, como suele ser el caso de Lokad. El punto es que el científico debe estar bajo la supervisión directa de alguien que tenga el poder de un ejecutivo de la cadena de suministro.
Un error común es que el científico reporte al jefe de TI o al jefe de análisis de datos. Como crear una receta es un ejercicio de codificación, el liderazgo de la cadena de suministro podría no sentirse completamente cómodo supervisando tal tarea. Sin embargo, esto es incorrecto. El científico necesita supervisión de alguien que pueda aprobar si las decisiones generadas son aceptables o no, o que al menos pueda hacer que esta aprobación ocurra. Colocar al científico en cualquier lugar que no sea bajo la supervisión directa del liderazgo de la cadena de suministro es una receta para operar interminablemente a través de prototipos que nunca llegan a producción. En esta situación, el rol inevitablemente se convierte en el de un analista, y se abandonan las ambiciones iniciales de la iniciativa cuantitativa de la cadena de suministro.
Los mejores científicos de la cadena de suministro generan rendimientos desproporcionados en comparación con los promedio. Esta ha sido la experiencia de Lokad y refleja el patrón identificado hace décadas en la industria del software. Las empresas de software han observado durante mucho tiempo que los mejores ingenieros de software tienen al menos 10 veces más productividad que los promedio, y los ingenieros mediocres incluso pueden tener una productividad negativa, empeorando el software por cada hora invertida en el código base.
En el caso de los científicos de la cadena de suministro, la competencia superior no solo mejora la productividad, sino que, lo que es más importante, mejora el rendimiento final de la cadena de suministro. Dadas las mismas herramientas de software e instrumentos matemáticos, dos científicos no logran el mismo resultado. Por lo tanto, contratar a alguien con el potencial de convertirse en uno de los mejores científicos es de suma importancia.
La experiencia de Lokad, basada en la contratación de más de 50 científicos, indica que los perfiles de ingeniería no especializados suelen ser bastante buenos. Aunque parezca contradictorio, las personas con formación formal en ciencia de datos, estadística o informática generalmente no son los más adecuados para los puestos de científico de la cadena de suministro. Estas personas con demasiada frecuencia complican en exceso la receta y no prestan suficiente atención a los aspectos mundanos pero críticos de la cadena de suministro. La capacidad de prestar atención a una multitud de detalles y la capacidad de perseverar sin cesar mientras se persiguen artefactos numéricos marginales parecen ser las cualidades principales de los mejores científicos.
Anecdóticamente, en Lokad, ha habido un buen historial con jóvenes ingenieros que han pasado algunos años como auditores. Además de la familiaridad con las finanzas corporativas, parece que los auditores talentosos desarrollan la capacidad de navegar a través de un océano de registros corporativos, lo cual se alinea con la realidad diaria de un científico de la cadena de suministro.
Si bien la contratación garantiza que los reclutas tengan el potencial adecuado, el siguiente paso es asegurarse de que estén debidamente capacitados. La posición predeterminada de Lokad es que no esperan que las personas sepan algo sobre la cadena de suministro de antemano. Tener conocimientos sobre la cadena de suministro es una ventaja, pero la academia sigue siendo algo deficiente en este sentido. La mayoría de los títulos de cadena de suministro se centran en la gestión y el liderazgo, pero para los jóvenes graduados, es esencial tener conocimientos fundamentales adecuados en temas como los que se tratan en los capítulos segundo, tercero o cuarto de esta serie de conferencias. Desafortunadamente, esto a menudo no es así, y las partes cuantitativas de estos títulos pueden ser decepcionantes. Como resultado, los científicos de la cadena de suministro deben ser capacitados por sus empleadores. Esta serie de conferencias refleja el tipo de materiales de capacitación utilizados en Lokad.
Las revisiones de rendimiento para los científicos de la cadena de suministro son importantes por diversas razones, como garantizar que el dinero de la empresa se gaste correctamente y determinar promociones. Los criterios habituales se aplican: actitud, diligencia, competencia, etc. Sin embargo, hay un aspecto contradictorio: los mejores científicos logran resultados que hacen que los desafíos de la cadena de suministro parezcan casi invisibles, con un drama mínimo.
Capacitar a un científico para mantener recetas existentes mientras se mantiene el nivel anterior de rendimiento de la cadena de suministro lleva aproximadamente seis meses, mientras que capacitar a un científico para implementar una receta de calidad de predicción desde cero lleva aproximadamente dos años. La retención del talento es fundamental, especialmente porque contratar científicos de la cadena de suministro con experiencia aún no es una opción.
En muchos países, la permanencia media de los ingenieros menores de 30 años en software y campos adyacentes es bastante baja. Lokad logra una permanencia media más alta al centrarse en el bienestar de los empleados. Las empresas no pueden brindar felicidad a sus empleados, pero pueden evitar hacer que sus empleados sean miserables a través de procesos absurdos. La cordura va muy lejos en la retención de empleados.
No se puede esperar que un científico competente y experimentado de la cadena de suministro se haga cargo rápidamente de una receta existente, ya que la receta refleja la estrategia única de la empresa y las peculiaridades de la cadena de suministro. La transición de una cadena de suministro a otra puede llevar aproximadamente un mes en las mejores condiciones. No es razonable que una empresa de gran tamaño dependa de un solo científico; Lokad se asegura de que dos científicos sean competentes con cualquier receta utilizada en producción en cualquier momento dado. La continuidad es esencial, y una forma de lograr esto es a través de un manual creado conjuntamente con los clientes, lo cual puede facilitar transiciones no planificadas entre científicos.
El rol del científico de la cadena de suministro requiere un nivel inusual de cooperación con múltiples departamentos, especialmente TI. La ejecución adecuada de la receta depende del pipeline de extracción de datos, que es responsabilidad de TI.
Existe una fase relativamente intensa de interacción entre TI y el científico al comienzo de la primera iniciativa cuantitativa de la cadena de suministro, que dura aproximadamente dos o tres meses. Después, una vez que el pipeline de extracción de datos está en su lugar, la interacción se vuelve menos frecuente. Este diálogo asegura que el científico esté al tanto de la hoja de ruta de TI y de cualquier actualización o cambio de software que pueda afectar la cadena de suministro.
En la fase inicial de una iniciativa cuantitativa de la cadena de suministro, hay una interacción relativamente intensa entre TI y los científicos. Durante los primeros dos o tres meses, el científico necesita interactuar con TI varias veces por semana. Después, una vez que el pipeline de extracción de datos está en su lugar, la interacción se vuelve mucho menos frecuente, aproximadamente una vez al mes o menos. Además de solucionar los problemas ocasionales en el pipeline, este diálogo asegura que el científico esté al tanto de la hoja de ruta de TI. Cualquier actualización o reemplazo de software puede requerir días o incluso semanas de trabajo para el científico. Para evitar tiempo de inactividad, la receta debe modificarse para adaptarse a los cambios en el panorama aplicativo.
La receta, tal como la implementa el científico, optimiza los dólares o euros de retorno. Cubrimos este aspecto en las primeras conferencias de esta serie. Sin embargo, no se espera que el científico decida cómo modelar costos y ganancias. Si bien deben proponer modelos para reflejar los impulsores económicos, en última instancia es responsabilidad de las finanzas decidir si esos impulsores se consideran correctos o no. Muchas prácticas de la cadena de suministro evaden el problema al centrarse en porcentajes, como los niveles de servicio y la precisión de las previsiones. Sin embargo, estos porcentajes casi no tienen correlación con la salud financiera de la empresa. Por lo tanto, el científico debe interactuar rutinariamente con las finanzas y hacer que desafíen las elecciones de modelado y suposiciones realizadas en la receta numérica.
Las elecciones de modelado financiero son transitorias, ya que reflejan la estrategia cambiante de la empresa. También se espera que el científico diseñe alguna instrumentación adjunta a la receta para el departamento de finanzas, como la cantidad máxima proyectada de capital de trabajo asociada al inventario para el próximo año. Para una empresa mediana o grande, es razonable tener una revisión trimestral por parte de un ejecutivo de finanzas del trabajo realizado por el científico de la cadena de suministro.
Una de las mayores amenazas para la validez de la receta es traicionar accidentalmente la intención estratégica de la empresa. Demasiadas prácticas de la cadena de suministro evaden la estrategia al esconderse detrás de porcentajes utilizados como indicadores de rendimiento. Inflar o desinflar la previsión a través de la planificación de ventas y operaciones (S&OP) no es un sustituto para aclarar la intención estratégica. El científico no está a cargo de la estrategia de la empresa, pero la receta será incorrecta si no la entiende. La alineación de la receta con la estrategia debe ser diseñada.
La forma más directa de evaluar si el científico comprende la estrategia es hacer que la explique nuevamente a la dirección. Esto permite detectar malentendidos más fácilmente. En teoría, este entendimiento ya está documentado por el científico en el manual de la iniciativa. Sin embargo, la experiencia indica que los ejecutivos rara vez tienen tiempo para revisar detalladamente la documentación operativa. Una conversación sencilla acelera el proceso para ambas partes.
Esta reunión no tiene la intención de que el científico explique todo sobre los modelos de la cadena de suministro o los resultados financieros. El único propósito es asegurar una comprensión adecuada de la persona que tiene el lápiz digital. Incluso en una empresa grande, es razonable que el científico se reúna con el CEO o ejecutivo relevante al menos una vez al año. Los beneficios de una receta más acorde con la intención de liderazgo son vastos y a menudo subestimados.
Las mejoras en la cadena de suministro son parte de la modernización digital en curso. Esto requiere alguna reorganización de la propia empresa. Aunque los cambios pueden no ser drásticos, eliminar prácticas obsoletas es una batalla cuesta arriba. Cuando se ejecuta correctamente, la productividad de un científico de la cadena de suministro es significativamente mayor que la de un planificador tradicional. No es raro que un solo científico sea responsable de más de medio billón de dólares o euros en inventario.
Es posible una reducción drástica de la cantidad de personal de la cadena de suministro. Algunas empresas clientes de Lokad, que históricamente estaban bajo una inmensa presión competitiva, adoptaron este enfoque y sobrevivieron en parte gracias a esos ahorros. Sin embargo, la mayoría de nuestros clientes optan por una reducción más gradual de la cantidad de personal a medida que los planificadores pasan naturalmente a otras posiciones.
Los planificadores que quedan reorientan sus esfuerzos hacia los clientes y proveedores. La retroalimentación que recopilan resulta muy útil para los científicos de la cadena de suministro. De hecho, el trabajo del científico es de naturaleza introspectiva. Operan sobre los datos de la empresa y es difícil ver lo que simplemente está ausente.
Muchas voces empresariales han abogado durante mucho tiempo por establecer lazos más fuertes tanto con los clientes como con los proveedores. Sin embargo, es más fácil decirlo que hacerlo, especialmente si los esfuerzos se neutralizan rutinariamente debido a la lucha contra incendios, tranquilizar a los clientes y presionar a los proveedores. Los científicos de la cadena de suministro pueden proporcionar un alivio muy necesario en ambos frentes.
S&OP (Planificación de Ventas y Operaciones) es una práctica generalizada destinada a fomentar la alineación en toda la empresa a través de una previsión de demanda compartida. Sin embargo, sin importar cuáles hayan sido las ambiciones originales, los procesos de S&OP que he presenciado se caracterizan mejor por una serie interminable de reuniones improductivas. Excepto por las implementaciones de ERP y el cumplimiento, no puedo pensar en ninguna práctica corporativa tan dañina para el espíritu como S&OP. La Unión Soviética puede haber desaparecido, pero el espíritu del Gosplan vive a través de S&OP.
Una crítica profunda de S&OP merecería una conferencia propia. Sin embargo, por razones de brevedad, simplemente diré que un científico de la cadena de suministro es una alternativa superior a S&OP en todas las dimensiones que importan. A diferencia de S&OP, el científico de la cadena de suministro se basa en decisiones del mundo real. Lo único que impide que un científico sea otro agente más de una burocracia corporativa inflada no es su carácter o competencia; es tener una participación en el juego a través de esas decisiones del mundo real.
Los planificadores, los gerentes de inventario y los gerentes de producción son frecuentemente grandes consumidores de todo tipo de informes empresariales. Estos informes suelen ser producidos por productos de software empresarial comúnmente conocidos como herramientas de inteligencia empresarial. La práctica típica de la cadena de suministro consiste en exportar una serie de informes a hojas de cálculo y luego utilizar una colección de fórmulas de hojas de cálculo para combinar toda esta información y generar de forma semiautomática las decisiones de interés. Sin embargo, como hemos visto, la receta del científico reemplaza esta combinación de inteligencia empresarial y hojas de cálculo.
Además, ni la inteligencia empresarial ni las hojas de cálculo son adecuadas para respaldar la implementación de una receta. La inteligencia empresarial carece de expresividad, ya que los cálculos relevantes no se pueden expresar a través de esta clase de herramientas. Las hojas de cálculo carecen de mantenibilidad y a veces escalabilidad, pero sobre todo mantenibilidad. El diseño de las hojas de cálculo es en gran medida incompatible con cualquier tipo de corrección por diseño, que es muy necesaria para fines de la cadena de suministro.
En la práctica, la instrumentación de una receta implementada por el científico incluye numerosos informes empresariales. Estos informes reemplazan a los que se generaron hasta ahora a través de la inteligencia empresarial. Esta evolución no implica necesariamente el fin de la inteligencia empresarial, ya que otros departamentos aún pueden beneficiarse de esta clase de herramientas. Sin embargo, en lo que respecta a la cadena de suministro, la introducción del científico de la cadena de suministro marca el fin de la era de la inteligencia empresarial.
Si dejamos de lado a algunos gigantes tecnológicos que pueden permitirse contratar a cientos, si no miles, de ingenieros para cada problema de software, el resultado típico de los equipos de ciencia de datos en empresas regulares es desalentador. Por lo general, esos equipos no logran nada sustancial. Sin embargo, la ciencia de datos, como práctica corporativa, es solo la última iteración de una serie de modas corporativas.
En la década de 1970, la investigación operativa estaba de moda. En la década de 1980, los motores de reglas y los expertos en conocimiento eran populares. A principios del siglo XXI, la minería de datos y los mineros de datos eran muy buscados. Desde la década de 2010, la ciencia de datos y los científicos de datos se consideran lo próximo grande. Todas estas tendencias corporativas siguen el mismo patrón: ocurre una innovación genuina en el software, las personas se entusiasman demasiado con ella y deciden incorporar esta innovación a la empresa mediante la creación de un nuevo departamento dedicado. Esto se debe a que siempre es mucho más fácil agregar divisiones a una organización en lugar de modificar o eliminar las existentes.
Sin embargo, la ciencia de datos como práctica corporativa fracasa porque no está firmemente arraigada en la acción. Esto marca toda la diferencia entre un científico de la cadena de suministro, que desde el primer día se compromete a ser responsable de generar decisiones del mundo real, y el departamento de TI.
Si podemos dejar de lado los egos y los feudos, el científico de la cadena de suministro representa un trato mucho mejor que el antiguo statu quo. El departamento de TI típico está enterrado bajo años de trabajo acumulado, y buscar más recursos no es una propuesta razonable, ya que se vuelve en contra al aumentar las expectativas de otros departamentos y aumentar aún más el trabajo acumulado.
Por el contrario, el científico de la cadena de suministro allana el camino para una disminución de las expectativas. El científico solo espera que se pongan a disposición extractos de datos en bruto, y sus batallas de procesamiento son su responsabilidad. No esperan nada del departamento de TI en este sentido. El científico de la cadena de suministro no debe verse como una versión corporativa sancionada de TI en la sombra. Se trata de hacer que el departamento de cadena de suministro sea responsable y responsable de su propia competencia central. El departamento de TI gestiona la infraestructura de bajo nivel y la capa transaccional, mientras que la capa de toma de decisiones de la cadena de suministro debería estar completamente a cargo del departamento de cadena de suministro.
El departamento de TI debe ser un facilitador, no un tomador de decisiones, excepto en las partes verdaderamente centradas en TI del negocio. Muchos departamentos de TI son conscientes de su trabajo acumulado y aceptan este nuevo acuerdo. Sin embargo, si el instinto de proteger lo que se percibe como su territorio es demasiado fuerte, pueden negarse a renunciar a la capa de toma de decisiones de la cadena de suministro. Estas situaciones son dolorosas y solo pueden resolverse mediante la intervención directa del CEO.
Desde lejos, nuestra conclusión podría ser que el papel del científico de la cadena de suministro se puede ver como una variación más especializada del científico de datos. Históricamente, así es como Lokad intentó solucionar los problemas asociados con la práctica corporativa de la ciencia de datos. Sin embargo, nos dimos cuenta hace una década de que esto era insuficiente. Nos llevó años descubrir gradualmente todos los elementos que se han presentado hoy.
El científico de la cadena de suministro no es un complemento de la cadena de suministro de la empresa; es una aclaración sobre la propiedad de las decisiones diarias mundanas de la cadena de suministro. Para aprovechar al máximo este enfoque, la cadena de suministro, o al menos su componente de planificación, debe ser remodelada. Los departamentos adyacentes como finanzas y operaciones también deben adaptarse a algunos cambios, aunque en menor medida.
Cultivar un equipo de científicos de la cadena de suministro es un compromiso considerable para una empresa, pero cuando se hace correctamente, la productividad es alta. En la práctica, cada científico termina reemplazando a 10 a 100 planificadores, pronosticadores o gerentes de inventario, lo que resulta en grandes ahorros salariales incluso si los científicos tienen salarios más altos. El científico de la cadena de suministro ilustra un nuevo acuerdo con TI, reposicionando a TI como un facilitador en lugar de un proveedor de soluciones, eliminando muchos, si no la mayoría, de los cuellos de botella relacionados con TI.
Más en general, este enfoque se puede reflejar en todos los demás departamentos no relacionados con TI de la empresa, como marketing, ventas y finanzas. Cada departamento tiene sus propias decisiones diarias mundanas que abordar, que también se beneficiarían ampliamente del mismo tipo de automatización. Sin embargo, al igual que el científico de la cadena de suministro es ante todo un experto en cadena de suministro
Sin embargo, al igual que un científico de la cadena de suministro es ante todo un experto en cadena de suministro, un científico de marketing o un cuantificador de marketing debería ser un experto en marketing. La perspectiva del científico allana el camino para aprovechar al máximo la combinación de inteligencia artificial y humana en este siglo XXI temprano.
La próxima conferencia será el 10 de mayo, un miércoles, a la misma hora del día, a las 3 pm hora de París. La conferencia de hoy fue no técnica, pero la próxima será en gran medida técnica. Presentaré técnicas para la optimización de precios. Los libros de texto de cadena de suministro convencionales típicamente no incluyen los precios como un elemento de la cadena de suministro; sin embargo, los precios contribuyen sustancialmente al equilibrio entre la oferta y la demanda. Además, los precios tienden a ser altamente específicos del dominio, ya que es demasiado fácil abordar incorrectamente el desafío en su conjunto cuando se piensa en términos abstractos. Por lo tanto, estrecharemos nuestras investigaciones en el mercado de accesorios automotrices. Esta será la ocasión para revisar los elementos presentados con Stuttgart, uno de los personajes de la cadena de suministro que presenté en el tercer capítulo de esta serie de conferencias.
L6 Y ahora, procederé con las preguntas.
Pregunta: A la academia le llevó casi una década darse cuenta de que el campo de la ciencia de datos había surgido y que deberían enseñarlo en la escuela secundaria. ¿Ya ves lo mismo sucediendo en los círculos académicos de la cadena de suministro con la adopción de la perspectiva de las ciencias de la cadena de suministro?
En primer lugar, no tengo conocimiento de que se enseñe ciencia de datos en las escuelas secundarias en Francia. Apenas enseñan algo relacionado con la informática en la escuela secundaria, y mucho menos ciencia de datos. Ni siquiera estoy seguro de dónde encontrarían a los profesores para hacer eso. Pero puedo entender que quieras que los estudiantes de secundaria tengan cierta competencia digital. Creo que familiarizarse con la programación es algo muy bueno, y se puede hacer incluso antes, según mi propia experiencia, a partir de los siete u ocho años, dependiendo de la madurez del niño. Incluso se puede hacer en la escuela primaria, pero estamos hablando solo de conceptos básicos de programación: variables, listas de instrucciones y cosas por el estilo. Creo que la ciencia de datos supera en gran medida las cosas que se deben enseñar en la escuela secundaria, a menos que tengas prodigios o algo así. Para mí, claramente es algo para personas a nivel universitario, ya sea de pregrado o de posgrado.
De hecho, a la academia le llevó una década poner en primer plano la ciencia de datos, pero detengámonos un momento. Describí la ciencia de datos como una práctica corporativa, que es prácticamente la versión opuesta de lo que hace la academia al enseñar ciencia de datos. Entonces, debemos pensar en el problema, y aquí, creo que uno de los problemas es que es increíblemente difícil enseñar algo que no se practica. Al menos a nivel universitario, si no por debajo de eso. Lo que veo es que ya tenemos un problema con la ciencia de datos, ya que las personas que enseñan ciencia de datos no son las personas que realmente están haciendo ciencia de datos en lugares importantes, como Microsoft, Google, Facebook, OpenAI, y demás.
Para la cadena de suministro, tenemos un problema similar, y acceder a personas con la experiencia adecuada es simplemente increíblemente difícil. Espero, y esto es un poco de autopromoción, que Lokad comience, en las próximas semanas, a intentar proporcionar algunos materiales destinados a los programas de cadena de suministro. Comenzaremos a ofrecer algunos materiales que se presentarán de una manera que debería hacerlos apropiados para los profesores en la academia, para que puedan implementar esos conocimientos. Obviamente, tendrán que usar su propio criterio para evaluar si esos materiales que Lokad está proporcionando realmente valen la pena ser enseñados a los estudiantes.
Pregunta: ¿El lenguaje específico del dominio de Lokad no se utiliza en otros lugares? Más allá de Lokad, ¿cómo motivas a posibles nuevos empleados para que aprendan algo que probablemente nunca volverán a usar en su próximo trabajo?
Ese es exactamente el punto que estaba haciendo sobre el problema que tenía con los científicos de datos. La gente literalmente se postulaba diciendo: “Quiero hacer TensorFlow, soy un tipo de TensorFlow” o “Soy un tipo de PyTorch”. Esta no es la actitud correcta. Si confundes tu identidad con un conjunto de herramientas técnicas, te estás perdiendo el punto. El desafío es comprender los problemas de la cadena de suministro y cómo abordarlos cuantitativamente para generar decisiones de calidad de producción.
En esta conferencia, mencioné que a un científico de la cadena de suministro le lleva seis meses adquirir habilidades para mantener una receta y dos años para diseñar una receta desde cero. ¿Cuánto tiempo se necesita para ser completamente competente en Envision, nuestro lenguaje de programación propietario? En nuestra experiencia, se necesitan tres semanas. Envision es un detalle pequeño en comparación con el desafío general, pero es importante. Si tus herramientas son deficientes, te enfrentarás a problemas accidentales inmensos. Sin embargo, seamos realistas: es una pequeña pieza del rompecabezas general.
Las personas que pasan tiempo en Lokad aprenden mucho sobre los problemas de la cadena de suministro. El lenguaje de programación podría ser reescrito en otros idiomas, pero podría requerir más líneas de código. Lo que las personas, especialmente los ingenieros jóvenes, a menudo no se dan cuenta es de lo transitorias que son muchas tecnologías. No duran mucho, generalmente solo un par de años antes de ser reemplazadas por algo más.
Hemos visto una serie interminable de tecnologías que vienen y van. Si un candidato dice: “Realmente me importan los detalles técnicos”, probablemente no sea un buen candidato. Ese fue mi problema con los científicos de datos: querían cosas modernas y de vanguardia. Las cadenas de suministro son sistemas inmensamente complejos y cuando cometes un error, puede costar millones. Necesitas herramientas de calidad de producción, no el último paquete sin probar.
Los mejores candidatos tienen un interés genuino en convertirse en profesionales de la cadena de suministro. Lo importante es la cadena de suministro, no los detalles del lenguaje de programación.
Pregunta: Estoy cursando una licenciatura en gestión de la cadena de suministro, transporte y logística. ¿Cómo puedo convertirme en un científico de la cadena de suministro?
Primero, te animo a que te postules en Lokad. Siempre tenemos puestos disponibles. Pero más en serio, la clave para convertirse en un científico de la cadena de suministro es tener una oportunidad en una empresa dispuesta a automatizar sus decisiones de cadena de suministro. El aspecto más importante es la propiedad de las decisiones. Si puedes encontrar una empresa dispuesta a intentarlo, te ayudará mucho a convertirte en un científico.
A medida que te enfrentes a los desafíos de la toma de decisiones de calidad de producción, te darás cuenta de la importancia de los temas que estoy discutiendo en esta serie de conferencias. Cuando te enfrentas a predicciones que impulsarán millones de dólares en inventario, pedidos y movimientos de stock, comprenderás la inmensa responsabilidad y la necesidad de la corrección por diseño. Estoy bastante seguro de que otras empresas crecerán y adquirirán muchas más oportunidades. Pero incluso en mis sueños más salvajes, no creo que pueda esperar que todas las empresas del mundo aprovechen Lokad. Habrá muchas empresas que siempre decidirán hacerlo a su manera y les irá bien.
Pregunta: Dado que el 40% de la rutina diaria de un científico de la cadena de suministro es programar, ¿qué lenguaje de programación sugerirías que los estudiantes universitarios aprendan primero, especialmente aquellos que estudian gestión?
Diría que cualquier lenguaje de programación al que tengas acceso fácilmente. Python es un buen comienzo. Mi sugerencia es probar varios lenguajes de programación. Lo que esperas de un ingeniero de cadena de suministro es prácticamente lo contrario de lo que esperas de los ingenieros de software. Para los ingenieros de software, mi consejo predeterminado es elegir un lenguaje y profundizar mucho, comprendiendo realmente todos los matices. Pero para las personas que en última instancia son generalistas, diría que hagan lo contrario. Prueba un poco de SQL, un poco de Python, un poco de R. Presta atención a la sintaxis de Excel y tal vez echa un vistazo a lenguajes como Rust, solo para ver cómo son. Así que elige lo que tengas a tu alcance. Por cierto, Lokad tiene planes de hacer que Envision esté fácilmente accesible para los estudiantes de forma gratuita, así que mantente atento.
Pregunta: ¿Crees que las bases de datos de gráficos tendrán un impacto significativo en las predicciones de la cadena de suministro?
Absolutamente no. Las bases de datos de gráficos han existido durante más de dos décadas y, aunque son interesantes, no son tan poderosas como las bases de datos relacionales como PostgreSQL y MariaDB. Para las predicciones de la cadena de suministro, no es lo que se necesita tener operadores similares a los de los gráficos. En las competencias de pronóstico, ninguno de los 100 mejores participantes ha estado utilizando una base de datos de gráficos. Sin embargo, hay cosas que se pueden hacer con deep learning aplicado a los gráficos, lo cual ilustraré en mi próxima conferencia sobre precios.
En cuanto a la pregunta de si los científicos de la cadena de suministro deberían participar en la definición de objetivos en los proyectos de ciencia de datos del cliente, creo que hay un problema con la suposición subyacente de centrarse en la ciencia de datos antes de comprender el problema que estamos tratando de resolver. Sin embargo, reformulando la pregunta, ¿deberían los científicos de la cadena de suministro participar en la definición de objetivos de la optimización de la cadena de suministro? Sí, absolutamente. Descubrir lo que realmente queremos es difícil y requiere una estrecha colaboración con las partes interesadas para asegurar que se persigan los objetivos correctos. Entonces, ¿deberían los científicos estar a bordo para eso? Absolutamente, es fundamental.
Sin embargo, aclaremos que esto no es una iniciativa de ciencia de datos; es una iniciativa de cadena de suministro que tiene la capacidad de utilizar datos como un ingrediente adecuado. Realmente necesitamos comenzar desde los problemas y ambiciones de la cadena de suministro y luego, como queremos aprovechar al máximo el software moderno, necesitamos a estos científicos. Ellos ayudarán a mejorar tu comprensión del problema porque la línea de demarcación entre lo que es factible en el software y lo que sigue siendo estrictamente el dominio de la inteligencia humana es un poco difusa. Necesitas a los científicos para navegar esta línea de demarcación.
Espero verte dentro de dos meses, el 10 de mayo, en la próxima conferencia donde estaremos discutiendo sobre precios. Nos vemos entonces.